[发明专利]一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质

权利要求书

1.一种基于非完备标记的深度学习的核染色细胞计数方法，其特征在于，包括步骤如下：

(1)制作标注数据

加载病理图像到标注软件，用滑动窗口的形式以一定步长从病理图像中截取固定大小的子图像，获取所有的子图像与阳性细胞的子掩码图像数据对；

(2)训练模型

通过步骤(1)获取所有的子图像与阳性细胞的子掩码图像数据对为阳性细胞训练集；通过步骤(1)获取所有的子图像与阴性细胞的子掩码图像数据对为阴性细胞训练集；

分别通过阳性细胞训练集、阴性细胞训练集训练同样架构的卷积神经网络模型，分别得到训练好的阳性细胞卷积神经网络模型、训练好的阴性细胞卷积神经网络模型；所述卷积神经网络模型包括依次连接的编码模块、两个上下文解析模块、三个解码模块；编码模块包括一层卷积池化层、三个残差模块；卷积池化层的输出以及3个残差模块的输出汇聚到上下文解析模块，汇聚的方式为先下采样再通过1x1卷积，然后应用relu激活函数；

所述卷积神经网络模型中，设输入图像为激活函数f定义为S型函数，则所述卷积神经网络模型的输出y如式(Ⅰ)所示：

式(Ⅰ)中，函数h,g分别是编码模块学习到的映射即从输入x到特征图F和解码模块学习到的映射即从特征图F到概率图y；x是输入图像，m是图像的高，n是图像的宽；编码模块先将输入图像x映射到特征图F；接着，解码模块对特征图F进行一系列的卷积运算，得到解码部分的输出g(F)，最后通过sigmoid函数f作用于g(F)得到概率图y即卷积神经网络模型的输出；

所述卷积神经网络模型中，损失函数定义如式(Ⅱ)所示：

式(Ⅱ)中，二元算子⊙是对应元素相乘的哈达玛运算符，sum(·)表示对矩阵的所有元素计算累加和，是指真实的掩码图像，是在步骤(1)制作标注数据过程中所得掩码图像；

(3)推理阶段

将待检测的病理图像分别输入训练好的阳性细胞卷积神经网络模型、训练好的阴性细胞卷积神经网络模型，分别得到阳性细胞的真实掩码图像及阴性细胞的真实掩码图像；

(4)后处理阶段

计算阳性细胞和阴性细胞数量，并计算得到阳性细胞占全部细胞的比例p。

2.根据权利要求1所述的一种基于非完备标记的深度学习的核染色细胞计数方法，其特征在于，步骤(1)中，制作标注数据，包括步骤如下：

a、加载病理图像到标注软件；

b、建立阳性细胞标签，并点击病理图像内全部阳性细胞个体中心点，以各阳性细胞个体中心点为矩形中心标记矩形块，形成阳性细胞的真实掩码图像；

c、建立阴性细胞标签，并点击病理图像内全部阴性细胞个体中心点，以各阴性细胞个体中心点为矩形中心标记矩形块，形成阴性细胞的真实掩码图像；

d、辅助标注：在新细胞类型上标注时，先利用训练好的模型对整幅病理图像进行分割，再人工矫正自动分割不满意的细胞个体；

e、对步骤b及步骤c分别得到的阳性细胞的真实掩码图像和阴性细胞的真实掩码图像进行数据细分：从子图像对应的真实掩码图像的对应位置截取相同大小的子掩码图像，形成一系列的子图像与子掩码图像数据对。

3.根据权利要求2所述的一种基于非完备标记的深度学习的核染色细胞计数方法，其特征在于，步骤e中，水平方向以步长W、垂直方向以步长H进行截取。

4.根据权利要求3所述的一种基于非完备标记的深度学习的核染色细胞计数方法，其特征在于，截取的子图像的固定大小为256×256。

5.根据权利要求1所述的一种基于非完备标记的深度学习的核染色细胞计数方法，其特征在于，训练过程中，采用ADAM优化器，学习率设置为0.0002，批大小设置为64.总训练轮数设置为300。